Különféle időjárási mennyiségek ensemble előrejelzéseinek statisztikai utófeldolgozása  részletek

súgó  nyomtatás 
vissza »
 

Projekt adatai

  
azonosító
125679
típus NN
Vezető kutató Baran Sándor
magyar cím Különféle időjárási mennyiségek ensemble előrejelzéseinek statisztikai utófeldolgozása
Angol cím Statistical post-processing of ensemble forecasts for various weather quantities
magyar kulcsszavak ensemble utófeldolgozás, paraméterbecslés, R csomag, többváltozós modellezés, valószínűségi előrejelzés
angol kulcsszavak ensemble post-processing, multivariate modelling, parameter estimation. probabilistic forecasting, R package
megadott besorolás
Matematika (Műszaki és Természettudományok Kollégiuma)60 %
Ortelius tudományág: Statisztika
Meteorológia, légkörfizika, légkördinamika (Komplex Környezettudományi Kollégium)20 %
Ortelius tudományág: Éghajlattan
Informatika (Műszaki és Természettudományok Kollégiuma)20 %
Ortelius tudományág: Alkalmazott informatika
zsűri Matematika–Számítástudomány
Kutatóhely IK Alkalmazott Matematikai és Valószínűségszámítási Tanszék (Debreceni Egyetem)
résztvevők Szokol Patrícia Ágnes
projekt kezdete 2018-03-01
projekt vége 2023-09-30
aktuális összeg (MFt) 7.210
FTE (kutatóév egyenérték) 3.97
állapot lezárult projekt
magyar összefoglaló
A kutatás összefoglalója, célkitűzései szakemberek számára
Itt írja le a kutatás fő célkitűzéseit a témában jártas szakember számára.
Jelen kutatási projekt fő célja különféle időjárási mennyiségek együttes kalibrálására szolgáló új statisztikai utófeldolgozó módszerek kifejlesztése, mely eljárások figyelembe veszik az egyes megfigyelési helyek közötti térbeli összefüggéseket is. A javasolt módszereket R csomagok formájában fogjuk implementálni, és az eljárásokat tesztelni fogjuk valós meteorológiai adatsorokon. Foglalkozni fogunk a meglévő utófeldolgozó módszerek párhuzamosíthatóságának kérdésével is. Mindemellett az eddig szélsebesség esetén vizsgált hasonlóságon, illetve a klaszterezésen alapuló szemi-lokális paraméterbecslési módszereket ki szeretnénk terjeszteni más időjárási mennyiségekre, és az eljárást tesztelni kívánjuk a European Centre for Medium-Range Weather Forecasting globális ensemble előrejelzésein.

Mi a kutatás alapkérdése?
Ebben a részben írja le röviden, hogy mi a kutatás segítségével megválaszolni kívánt probléma, mi a kutatás kiinduló hipotézise, milyen kérdéseket válaszolnak meg a kísérletek.
A kutatás fő kérdése, hogy az egyszerre több időjárási mennyiséget is kezelő, valamint a megfigyelési helyek közötti térbeli kapcsolatot is figyelembe vevő ensemble utófeldolgozó eljárások jobb előrejelző képességgel bírnak-e, mint a jelenleg használt egydimenziós módszerek. Egy másik vizsgálandó fontos kérdés a meglévő utófeldolgozási módszerek párhuzamosíthatósága, ami lehetővé tenné a szuperszámítógépes környezetben való modell tesztelést. Végezetül, úgy gondoljuk, hogy nagy és heterogén tartományokat lefedő ensemble előrejelzések esetén a szemi-lokális paraméterbecsléseket használó modellek felülmúlják a regionális, illetve lokális becsléseken alapuló eljárásokat.

Mi a kutatás jelentősége?
Röviden írja le, milyen új perspektívát nyitnak az alapkutatásban az elért eredmények, milyen társadalmi hasznosíthatóságnak teremtik meg a tudományos alapját. Mutassa be, hogy a megpályázott kutatási területen lévő hazai és a nemzetközi versenytársaihoz képest melyek az egyediségei és erősségei a pályázatának!
Napjainkban minden fontosabb meteorológiai szolgálat foglalkozik különböző időjárási mennyiségek ensemble előrejelzéseivel, azonban ezeknek az előrejelzés családoknak gyakorta kicsi a szórásuk, ami kalibrálatlanságot von maga után. Az ensemble előrejelzések ezen hiba kijavítását szolgáló statisztikai utófeldolgozása mind a meteorológia, mind pedig az alkalmazott statisztika egy igen fontos kutatási területe. A jelenleg használt eljárások általában egyetlen időjárási mennyiséggel dolgoznak, nagyon kevés a többváltozós megközelítés. Az általunk javasolt utófeldolgozó technikák figyelembe fogják venni mind az egyes időjárási mennyiségek közötti korrelációt, mind pedig a megfigyelő állomások közötti térbeli összefüggéseket. Mindemellett a tervezett R csomagok a felhasználók széles rétege számára teszik elérhetővé mind az újonnan kifejlesztett módszereket, mind pedig a meglévő ensemble model output statistics modelleket. A projektet magyar részről vezető kutató, valamint a kutatócsoport német résztvevői már számos kulcs eredményt és modellt publikáltak vezető meteorológiai és statisztikai folyóiratokban, és a jelenlegi projekt iránya jól illeszkedik a Heidelberg Institute for Theoretical Studies Computational Statistics kutatócsoportjában, valamint a Német Meteorológiai Szolgálat és a European Centre for Medium-Range Weather Forecasting berkeiben folyó kutatásokhoz, melyek célja a statisztikai kalibrálás operatív alkalmazásának bevezetése.

A kutatás összefoglalója, célkitűzései laikusok számára
Ebben a fejezetben írja le a kutatás fő célkitűzéseit alapműveltséggel rendelkező laikusok számára. Ez az összefoglaló a döntéshozók, a média, illetve az érdeklődők tájékoztatása szempontjából különösen fontos az NKFI Hivatal számára.
Napjainkban minden jelentősebb meteorológiai szolgálat foglalkozik valószínűségi előrejelzéssel, például az Országos Meteorológiai Szolgálat a honlapján a European Centre for Medium-Range Weather Forecasting által előállított ensemble előrejelzéseket publikálja. A különböző események ensemble előrejelzésekből jósolt valószínűségei azonban gyakran nem konzisztensek a tényleges megfigyelésekkel, azaz az előrejelzések nem kalibráltak. Ezt a problémát oldhatja meg az ensemble előrejelzések statisztikai utófeldolgozása, ami a jövőbeli időjárási mennyiség már kalibrált eloszlását adja meg, ami megbízhatóbb előrejelzéseket eredményez. Célunk olyan új utófeldolgozó modellek kifejlesztése, amik egyszerre több időjárási mennyiséget is kezelni tudnak és figyelembe veszik a megfigyelési helyek közötti térbeli függőségeket, valamint a modellek implementálása és tesztelése valós adatokon. A kifejlesztett új eljárásokat és néhány már meglévő utófeldolgozási technikát az R programozási környezet csomagjaként a felhasználók széles köre részére szabadon elérhetővé kívánjuk tenni.
angol összefoglaló
Summary of the research and its aims for experts
Describe the major aims of the research for experts.
The aim of the current project is the development of new statistical post-processing methods for joint calibration of ensemble forecasts for various weather quantities, which models will also take into account the spatial dependence among the observation sites. The proposed methods will be implemented in R packages and tested on real meteorological data. We will also deal with the problem of parallelization of the existing post-processing techniques. Besides this we would like to extend the similarity- and clustering based semi-local approaches for estimation of model parameters from wind speed to other weather quantities, and test the method on global European Centre for Medium-Range Weather Forecasting ensemble forecasts.

What is the major research question?
Describe here briefly the problem to be solved by the research, the starting hypothesis, and the questions addressed by the experiments.
The major question of the research project is whether ensemble post-processing methods dealing simultaneously with several weather variables and taking into account the spatial dependence among the observation sites result in improved forecast skills compared with the existing univariate approaches. The other important question to be examined is the possibility of parallelization of the existing calibration methods enabling model testing in a high-performance computing environment. Finally, we think that for ensemble forecasts covering large and heterogeneous domains, models with parameters estimated using semi-local methods outperform the approaches based on regional or local estimates.

What is the significance of the research?
Describe the new perspectives opened by the results achieved, including the scientific basics of potential societal applications. Please describe the unique strengths of your proposal in comparison to your domestic and international competitors in the given field.
Recently all major meteorological services issue ensemble forecasts for various weather quantities, however, these predictions are usually show an underdispersive character resulting in the lack of calibration. Statistical post-processing of ensemble forecasts in order to correct this deficiency is recently a hot research topic both in meteorology and applied statistics. The currently used methods usually deal with univariate weather quantities, there are only very few multivariate approaches. The proposed post-processing techniques will incorporate both the correlation between the various weather elements and spatial dependence as well. Further, the planned R packages will make the newly developed models and the existing unvariate ensemble model output statistics approaches available for a wide range of users. The Hungarian principal investigator and the German members of the research group have already published several key results and calibration methods in leading meteorological and statistical journals, and the current project is fully in line with the direction of similar studies at the Computational Statistics Group of the Heidelberg Institute for Theoretical Studies, the German Meteorological Service and the European Centre for Medium-Range Weather Forecasting, aiming the introduction of statistical calibration in operational use.

Summary and aims of the research for the public
Describe here the major aims of the research for an audience with average background information. This summary is especially important for NRDI Office in order to inform decision-makers, media, and others.
Recently all major meteorological services use probabilistic weather forecasting, e.g. the Hungarian Meteorological Service on its website publishes ensemble predictions issued by the European Centre for Medium-Range Weather Forecasting. However, the probabilities of various events predicted using ensemble forecasts are often inconsistent with the observations, that is the forecasts are uncalibrated. This deficiency can be solved by statistical post-processing of the forecast ensemble resulting a calibrated distribution of the future weather variable, which means more reliable predictions. Our aim is the development of new post-processing models treating jointly several weather variables and the spatial dependence among the observation sites, implementation of these models, testing them on real data sets and making them and some of the currently existing other methods freely available, as packages of the R programming environment, for a wide range of users.




 

Zárójelentés

  
kutatási eredmények (magyarul)
Kidolgoztunk és implementáltunk a folyók vízszintje, szélsebesség, napsugárzás, valamint különféle hőindexek ensemble előrejelzéseinek utófeldolgozására szolgáló paraméteres modelleket. A szélsebesség és napsugárzás modelleink egy része jelenleg pre-operatív tesztelés alatt áll az Országos Meteorológiai Szolgálatnál. Emellett vizsgáltuk a felsősödés ensemble előrejelzések gépi tanuláson alapuló kalibrációját és kiegészítettük az ensembleMOS R csomagot néhány korszerű nem-homogén regressziós modellel. Elvégeztük a különféle többdimenziós ensemble utófeldolgozó technikák szimuláción alapuló részletes összehasonlítását, amit később kiegészítettünk egy a European Centre for Medium-Range Weather Forecasts (ECMWF) globális hőmérséklet, szélsebesség és csapadékösszeg ensemble előrejelzéseire támaszkodó összehasonlítással. Szemi-lokális paraméterbecsléseket alkalmazva megvizsgáltuk a statisztikai kalibrálás hatását az ECMWF duális felbontású globális szélsebesség előrejelzésein, valamint teszteltük a Weather Research and Forecasting modell Chile központi régióira adott hőmérséklet és szélsebesség ensemble előrejelzéseinek kalibrálására szolgáló különféle utófeldolgozó technikákat Foglalkoztunk még az optimális mintavételezés kérdéseivel Ornstein-Uhlenbeck folyamatok előrejelzései esetén és javasoltunk egy új módszert, ami felismeri a kapcsolatot a korrelált hibákkal terhelt regressziós modellek becslése és predikciója között. valamint meg is adja annak pontos jellegét.
kutatási eredmények (angolul)
We developed a implemented parametric post-processing models for ensemble forecasts of water level, wind speed, solar irradiance and various heat indices. Some of our wind speed and solar irradiance models are in pre-operational testing at the Hungarian Meteorological Service. We also investigated machine-learning calibration of total cloud cover ensemble forecast and extended the ensembleMOS R package with some state-of-the-art non-homogeneous regression models. We performed a detailed simulation-based comparison of multivariate ensemble post-processing methods which was later extended by a comparison using global temperature, wind speed and precipitation accumulation ensemble forecasts of the European Centre for Medium-Range Weather Forecasts (ECMWF). Using semi-local parameter estimation techniques, we studied the effect of statistical calibration on dual-resolution ECMWF temperature ensemble forecasts and tested different post-processing techniques for calibrating ensemble forecast of temperature and wind speed for central regions of Chile obtained by the Weather Research and Forecasting model. We also considered the problem of optimal designs for the prediction of complex Ornstein-Uhlenbeck processes and proposed a novel approach identifying relationship and providing the exact relations between estimation and prediction for regression problems with correlated errors.
a zárójelentés teljes szövege https://www.otka-palyazat.hu/download.php?type=zarobeszamolo&projektid=125679
döntés eredménye
igen





 

Közleményjegyzék

  
Lakatos Mária, Lerch Sebastian, Hemri Stephan, Baran Sándor: Comparison of multivariate post‐processing methods using global ECMWF ensemble forecasts, QUARTERLY JOURNAL OF THE ROYAL METEOROLOGICAL SOCIETY 149: (752) pp. 856-877., 2023
Baran Ágnes, Lerch Sebastian, El Ayari Mehrez, Baran Sándor: Machine learning for total cloud cover prediction, NEURAL COMPUTING & APPLICATIONS 33: pp. 2605-2620., 2021
Baran Sándor, Baran Ágnes: Calibration of wind speed ensemble forecasts for power generation, IDŐJÁRÁS / QUARTERLY JOURNAL OF THE HUNGARIAN METEOROLOGICAL SERVICE 125: (4) pp. 609-624., 2021
Baran Sándor, Szokol Patrícia, Szabó Marianna: Truncated generalized extreme value distribution‐based ensemble model output statistics model for calibration of wind speed ensemble forecasts, ENVIRONMETRICS 32: (6) e2678, 2021
Díaz Mailiu, Nicolis Orietta, Marín Julio César, Baran Sándor: Post-processing methods for calibrating the wind speed forecasts in central regions of Chile, ANNALES MATHEMATICAE ET INFORMATICAE 53: pp. 93-108., 2021
Schulz Benedikt, El Ayari Mehrez, Lerch Sebastian, Baran Sándor: Post-processing numerical weather prediction ensembles for probabilistic solar irradiance forecasting, SOLAR ENERGY 220: pp. 1016-1031., 2021
Baran Sándor: Discussion on A high‐resolution bilevel skew‐t stochastic generator for assessing Saudi Arabia's wind energy resources, ENVIRONMETRICS 31: (7) e2650, 2020
Baran Sándor, Baran Ágnes, Pappenberger Florian, Ben Bouallègue Zied: Statistical post-processing of heat index ensemble forecasts: Is there a royal road?, QUARTERLY JOURNAL OF THE ROYAL METEOROLOGICAL SOCIETY 146: (732) pp. 3416-3434., 2020
Baran Sándor, Möller Annette: Various approaches to statistical calibration of ensemble weather forecasts, ERCIM NEWS (121) pp. 30-31., 2020
Robert, A. Yuen ; Sándor, Baran ; Chris, Fraley ; Tilmann, Gneiting ; Sebastian, Lerch ; Michael, Scheuerer ; Thordis, L. Thorarinsdottir: R package ensembleMOS, Version 0.8.2: Ensemble Model Output Statistics, https://CRAN.R-project.org/package=ensembleMOS, 2018
Díaz Mailiu, Nicolis Orietta, Marín Julio César, Baran Sándor: Statistical post-processing of ensemble forecasts of temperature in Santiago de Chile, METEOROLOGICAL APPLICATIONS 27: (1) e1818, 2020
Lerch Sebastian, Baran Sándor, Möller Annette, Groß Jürgen, Schefzik Roman, Hemri Stephan, Graeter Maximiliane: Simulation-based comparison of multivariate ensemble post-processing methods, NONLINEAR PROCESSES IN GEOPHYSICS 27: (2) pp. 349-371., 2020
Sikolya Kinga, Baran Sándor: On the optimal designs for the prediction of complex Ornstein-Uhlenbeck processes, COMMUNICATIONS IN STATISTICS-THEORY AND METHODS 49: (20) pp. 4859-4870., 2020
Stehlík Milan, Kišelák Jozef, Bukina Elena, Lu Ying, Baran Sándor: Fredholm integral relation between compound estimation and prediction (FIRCEP), STOCHASTIC ANALYSIS AND APPLICATIONS 38: (3) pp. 427-459., 2020
Baran Sándor, Hemri Stephan, El Ayari Mehrez: Statistical post‐processing of water level forecasts using Bayesian model averaging with doubly‐truncated normal components, WATER RESOURCES RESEARCH 55: (5) pp. 3997-4013., 2019
Baran Sándor, Leutbecher Martin, Szabó Marianna, Ben Bouallègue Zied: Statistical post-processing of dual-resolution ensemble forecasts, QUARTERLY JOURNAL OF THE ROYAL METEOROLOGICAL SOCIETY 145: (721) pp. 1705-1720., 2019
Burai Pál, Kiss Gergely, Szokol Patricia: A dichotomy result for strictly increasing bisymmetric maps, JOURNAL OF MATHEMATICAL ANALYSIS AND APPLICATIONS 526: (2) 127269, 2023
Lakatos Mária, Lerch Sebastian, Hemri Stephan, Baran Sándor: Comparison of multivariate post‐processing methods using global ECMWF ensemble forecasts, QUARTERLY JOURNAL OF THE ROYAL METEOROLOGICAL SOCIETY, 2023
Szabó Marianna, Gascón Estibalíz, Baran Sándor: Parametric post-processing of dual-resolution precipitation forecasts, arXiv: 2212.12504, 2022
Baran Ágnes, Baran Sándor: A two-step machine learning approach to statistical post-processing of weather forecasts for power generation, arXiv: 2207.07589, 2022
Baran Ágnes, Lerch Sebastian, El Ayari Mehrez, Baran Sándor: Machine learning for total cloud cover prediction, NEURAL COMPUTING & APPLICATIONS 33: pp. 2605-2620., 2021
Baran Sándor, Szokol Patrícia, Szabó Marianna: Truncated generalized extreme value distribution‐based ensemble model output statistics model for calibration of wind speed ensemble forecasts, ENVIRONMETRICS 32: (6) e2678, 2021
Schulz Benedikt, El Ayari Mehrez, Lerch Sebastian, Baran Sándor: Post-processing numerical weather prediction ensembles for probabilistic solar irradiance forecasting, SOLAR ENERGY 220: pp. 1016-1031., 2021
Baran Sándor, Baran Ágnes: Calibration of wind speed ensemble forecasts for power generation, IDŐJÁRÁS / QUARTERLY JOURNAL OF THE HUNGARIAN METEOROLOGICAL SERVICE 125: (4) pp. 609-624., 2021
Díaz Mailiu, Nicolis Orietta, Marín Julio César, Baran Sándor: Post-processing methods for calibrating the wind speed forecasts in central regions of Chile, ANNALES MATHEMATICAE ET INFORMATICAE, doi:10.33039/ami.2021.03.012, 2021
Schultz Benedikt, El Ayari Mehrez, Lerch Sebastian, Baran Sándor: Post-processing numerical weather prediction ensembles for probabilistic solar irradiance forecasting, SOLAR ENERGY (in press), 2021
Baran Sándor, Szokol Patrícia, Szabó Marianna: Truncated generalized extreme value distribution-based ensemble model output statistics model for calibration of wind speed ensemble forecasts, ENVIRONMETRICS: e2678, doi:10.1002/env.2678, 2021
Baran Ágnes, Lerch Sebastian, El Ayari Mehrez, Baran Sándor: Machine learning for total cloud cover prediction, NEURAL COMPUTING & APPLICATIONS 33: pp. 2605-2620., 2021
Baran Sándor, Baran Ágnes: Calibration of wind speed ensemble forecasts for power generation, IDŐJÁRÁS / QUARTERLY JOURNAL OF THE HUNGARIAN METEOROLOGICAL SERVICE 125: (4) pp. 609-624., 2021
Baran Sándor, Szokol Patrícia, Szabó Marianna: Truncated generalized extreme value distribution‐based ensemble model output statistics model for calibration of wind speed ensemble forecasts, ENVIRONMETRICS 32: (6) e2678, 2021
Díaz Mailiu, Nicolis Orietta, Marín Julio César, Baran Sándor: Post-processing methods for calibrating the wind speed forecasts in central regions of Chile, ANNALES MATHEMATICAE ET INFORMATICAE 53: pp. 93-108., 2021
Schulz Benedikt, El Ayari Mehrez, Lerch Sebastian, Baran Sándor: Post-processing numerical weather prediction ensembles for probabilistic solar irradiance forecasting, SOLAR ENERGY 220: pp. 1016-1031., 2021
Baran Sándor: Discussion on “A high‐resolution bilevel skew‐ t stochastic generator for assessing Saudi Arabia's wind energy resources”, ENVIRONMETRICS 31: (7) e2650, 2020
Baran Sándor, Baran Ágnes, Pappenberger Florian, Ben Bouallègue Zied: Statistical post-processing of heat index ensemble forecasts: Is there a royal road?, QUARTERLY JOURNAL OF THE ROYAL METEOROLOGICAL SOCIETY 146: (732) pp. 3416-3434., 2020
Díaz Mailiu, Nicolis Orietta, Marín Julio César, Baran Sándor: Statistical post-processing of ensemble forecasts of temperature in Santiago de Chile, METEOROLOGICAL APPLICATIONS 27: (1) e1818, 2020
Lerch Sebastian, Baran Sándor, Möller Annette, Groß Jürgen, Schefzik Roman, Hemri Stephan, Graeter Maximiliane: Simulation-based comparison of multivariate ensemble post-processing methods, NONLINEAR PROCESSES IN GEOPHYSICS 27: (2) pp. 349-371., 2020
Sikolya Kinga, Baran Sándor: On the optimal designs for the prediction of complex Ornstein-Uhlenbeck processes, COMMUNICATIONS IN STATISTICS-THEORY AND METHODS 49: (20) pp. 4859-4870., 2020
Stehlík Milan, Kišelák Jozef, Bukina Elena, Lu Ying, Baran Sándor: Fredholm integral relation between compound estimation and prediction (FIRCEP), STOCHASTIC ANALYSIS AND APPLICATIONS 38: (3) pp. 427-459., 2020
Baran Sándor, Hemri Stephan, El Ayari Mehrez: Statistical post‐processing of water level forecasts using Bayesian model averaging with doubly‐truncated normal components, WATER RESOURCES RESEARCH 55: (5) pp. 3997-4013., 2019
Baran Sándor, Leutbecher Martin, Szabó Marianna, Ben Bouallègue Zied: Statistical post-processing of dual-resolution ensemble forecasts, QUARTERLY JOURNAL OF THE ROYAL METEOROLOGICAL SOCIETY 145: (721) pp. 1705-1720., 2019
Baran Sándor: Discussion on “A high‐resolution bilevel skew‐ t stochastic generator for assessing Saudi Arabia's wind energy resources”, ENVIRONMETRICS 31: (7) e2650, 2020
Baran Ágnes, Lerch Sebastian, El Ayari Mehrez, Baran Sándor: Machine learning for total cloud cover prediction, NEURAL COMPUTING & APPLICATIONS 22: (7) pp. 2605-2620., 2021
Sikolya Kinga, Baran Sándor: On the optimal designs for the prediction of complex Ornstein-Uhlenbeck processes, COMMUNICATIONS IN STATISTICS-THEORY AND METHODS 49: (20) pp. 4859-4870., 2020
Baran Sándor, Baran Ágnes, Pappenberger Florian, Ben Bouallègue Zied: Statistical post-processing of heat index ensemble forecasts: Is there a royal road?, QUARTERLY JOURNAL OF THE ROYAL METEOROLOGICAL SOCIETY 146: (732) pp. 3416-3434., 2020
Baran Sándor, Möller Annette: Various approaches to statistical calibration of ensemble weather forecasts, ERCIM NEWS (121) pp. 30-31., 2020
Lerch Sebastian, Baran Sándor, Möller Annette, Groß Jürgen, Schefzik Roman, Hemri Stephan, Graeter Maximiliane: Simulation-based comparison of multivariate ensemble post-processing methods, NONLINEAR PROCESSES IN GEOPHYSICS 27: (2) pp. 349-371., 2020
Stehlík Milan, Kišelák Jozef, Bukina Elena, Lu Ying, Baran Sándor: Fredholm integral relation between compound estimation and prediction (FIRCEP), STOCHASTIC ANALYSIS AND APPLICATIONS 38: (3) pp. 427-459., 2020
Sikolya Kinga, Baran Sándor: On the optimal designs for the prediction of complex Ornstein-Uhlenbeck processes, COMMUNICATIONS IN STATISTICS-THEORY AND METHODS pp. 1-12., 2019
Stehlík Milan, Kišelák Jozef, Bukina Elena, Lu Ying, Baran Sándor: Fredholm integral relation between compound estimation and prediction (FIRCEP), STOCHASTIC ANALYSIS AND APPLICATIONS pp. 1-33., 2019
Sándor Baran, Ágnes Baran, Florian Pappenberger, Zied Ben Bouallègue: Statistical post-processing of heat index ensemble forecasts: is there a royal road?, arXiv:2001.08712 (submitted to the Quarterly Journal of the Royal Meteorological Society), 2020
Ágnes Baran, Sebastian Lerch, Mehrez El Ayari, Sándor Baran: Machine learning for total cloud cover prediction, arXiv:2001.05948 (submitted to Neural Computing and Applications), 2020
Sebastian Lerch, Sándor Baran, Annette Möller, Jürgen Groß, Roman Schefzik, Stephan Hemri, Maximiliane Graeter: Simulation-based comparison of multivariate ensemble post-processing methods, Nonlin. Processes Geophys. Discuss., in review, 2020
Díaz Mailiu, Nicolis Orietta, Marín Julio César, Baran Sándor: Statistical post-processing of ensemble forecasts of temperature in Santiago de Chile, METEOROLOGICAL APPLICATIONS 27: e1818, 2020
Baran Sándor, Hemri Stephan, El Ayari Mehrez: Statistical post‐processing of water level forecasts using Bayesian model averaging with doubly‐truncated normal components, WATER RESOURCES RESEARCH 55: (5) pp. 3997-4013., 2019
Baran Sándor, Leutbecher Martin, Szabó Marianna, Ben Bouallègue Zied: Statistical post-processing of dual-resolution ensemble forecasts, QUARTERLY JOURNAL OF THE ROYAL METEOROLOGICAL SOCIETY, 2019
Sándor Baran, Stephan Hemri, Mehrez El Ayari: Statistical post-processing of hydrological forecasts using Bayesian model averaging, arXiv:1809:04000 (under review at Water Resources Research), 2018
Mailiu Dı́az, Orietta Nicolis, Julio César Marı́n, Sándor Baran: Statistical post-processing of ensemble forecasts of temperature in Santiago de Chile, arXiv:1809.04042 (under review at Meteorological Applications), 2018
Robert, A. Yuen ; Sándor, Baran ; Chris, Fraley ; Tilmann, Gneiting ; Sebastian, Lerch ; Michael, Scheuerer ; Thordis, L. Thorarinsdottir: R package ensembleMOS, Version 0.8.2: Ensemble Model Output Statistics, https://CRAN.R-project.org/package=ensembleMOS, 2018



vissza »